众包是一种新的分布式问题解决方案,它利用互联网将大众的智慧或技能集结起来解决机器难以处理的问题,例如图片标注、实体解析、创意收集等。随着众包的广泛应用,众包任务分配问题受到很多研究者关注。现有研究大多基于任务的完成质量、经济成本以及完成时间进行分配,较少考虑工人本身对任务的感兴趣程度,导致工人拒绝参与分配的任务,任务完成度降低。而传统的考虑工人兴趣的方法如协同过滤算法,利用评分数据来计算工人或任务的相似度,存在评分数据稀疏等问题。此外,现有方法较少考虑时间因素对工人兴趣的影响,大都默认工人兴趣是固定不变的,导致反复为工人分配同一种任务,工人兴趣度不高。针对以上问题,本文研究基于工人兴趣的众包任务分配算法,具体研究工作如下:(1)提出了基于领域兴趣的任务分配方法。首先,我们提出基于工人领域和评分的协同过滤算法(WDR-CF),通过工人对领域标签的评价频率及评分构建工人对领域的兴趣度,利用修正后的领域兴趣度改进工人相似度的计算方法。其次,提出基于任务领域和评分的协同过滤算法(TDR-CF),通过任务领域和任务评分相结合的方式计算任务之间的相关性,改进了任务相似度的计算方法。最后,提出一种基于领域与评分的混合协同过滤算法(DR-HCF),将WDR-CF和TDR-CF算法对未知任务的预测评分通过线性加权的方式融合,改进了原有预测评分的方法。实验结果表明,在评分数据稀疏的数据集上,相比于其他算法,我们的算法在评分预测准确率上更优。(2)提出了时间敏感的任务分配方法。定义了领域标签的时间权重来量化工人随时间变化的领域兴趣,以此构建时间敏感的工人兴趣模型。我们将该模型融入到协同过滤算法中,提出了时间敏感的协同过滤算法(TS-CF),利用时间加权的领域兴趣度改进工人相似度的计算方法,实验结果表明,加入时间因子后,准确率有了明显提升。随后,我们将该模型用于矩阵分解算法,提出基于工人相似度的矩阵分解模型(WSBSVD++),利用近邻工人集对工人的评分影响改进原有的评分预测方法,实验结果表明,WSBSVD++模型的准确率明显优于其他模型。